Proximity-Preserving Neural Subdivision
Hassan Ugail
cs.GR
2026-08-11
在 Loop 细分的边上叠加曲率门控的有界修正,拟合局部特征比 Loop 好 21%,且重复细分下始终不离开安全包络;无约束神经基线四层后翻面发散。
细分(subdivision)是几何处理的老工具:一条固定规则反复套用,粗糙网格每过一遍就细一倍,极限收敛到光滑曲面。它的价值全在结构性质:局部、可重复、解析可分析。但固定 stencil 天生欠拟合局部特征,山脊、软边这类曲率集中的地方,统一规则把棱角磨圆。
神经网格细化能自适应特征,可问题出在它必须当「算子」用:细化的输出还要再喂回自己继续细化。无约束的顶点预测正是在这一步垮掉,一步拟合再准,反复套用后高频伪影、面片翻转全都出来,它已经不是细分算子了。 Bradford 大学 Hassan Ugail 这篇的立场:学习可以进细分,但必须被关进细分结构的笼子里。
PNS 不预测顶点,只在 Loop 细分给出的边顶点上叠一个修正项:新顶点 = Loop 边顶点 + h²·γ·F·η(φ)。四个组件各管一件事。
关键设计哲学:所有保证都是架构性的,训练前就对任意有限权重成立。训练只是从这个被保证的算子类里挑一个好用的成员,对抗性的权重选择也砸不烂这些性质。网络本身很小(三层 MLP,64 隐单元),损失是符号距离、法线对齐、公平项、邻近软正则的加权组合。邻近软正则不是界的来源,界在架构里,它只是劝网络别把预算花光。
30 个解析高斯山脊曲面(参数随机,20 训练 10 测试),对照 Loop 与无约束神经基线,留出集配对 bootstrap 95% 置信区间:
| 指标(vs Loop) | PNS | 无约束神经 |
| 近特征 SDF RMSE | +21.0% [13.7, 31.3] | +56.0% [35.5, 69.4] |
| 全局 SDF RMSE | +13.3% [7.4, 21.4] | +54.0% [33.6, 67.5] |
| 全局法线误差 | +0.1%(不显著) | −4.0%(变差) |
| 四层后最大邻近比 | ≤1 | 192.7 |
| 四层后法线跳变 | 0.130 | ≈π(面片翻转) |
一步拟合无约束基线确实更强,这正是论文的论点:自由顶点预测容量大,同样的容量让它不是细分算子。四层重复细化后它的邻近比冲到 192.7,超过包络两个数量级,法线跳变逼近 π,出现大面积翻面;PNS 始终压在架构上限 1 以内,法线跳变 0.130 甚至略好于 Loop 的 0.139。经典自适应格式也没过关:Modified Butterfly 邻近比 61.6,1-ring 二次拟合 458.7。预算花在哪也验证了:每边邻近比与门值落在恒等线上,修正集中在山脊走向平行的边上,垂直方向几乎不动。预算 C 从 0.1 扫到 1.0,近特征改进约 5% 升到 22%,C 超过 0.5 后边际递减,所有 C 下邻近比都不破上限。鞍面数据集上 PNS 对 Loop 无改进,光滑低曲率区域门关着,行为符合设计。代码以 Blender 插件形式开源。
对几何处理从业者,这是「神经方法进经典管线」的一个干净模板:不是端到端替换,而是把学习限制在有理论保证的修正项里,经典格式的所有结构性质原封不动。C 这个旋钮的语义清晰,资产管线里可控性比峰值精度值钱。对更广的 AI 从业者,它演示了一个正在多个领域复现的模式:等变、有界、门控的修正叠加在经典算子上,训练只能在这个子空间里选,保证与性能不再二选一。增益本身是渐进的,21% 的近特征改进建立在为山脊量身构造的合成基准上。
作者自述很坦白。修正按 h² 缩放,重复细化下越来越像 Loop,PNS 给的是有限层级的改进,不产生新的极限曲面;只证明了平面配置处的谱继承,非平面非凡顶点处没有全局 C¹ 定理,偏移行为只是有界、没有量化;只做了三角网格上的 Loop,Catmull-Clark 与四边网格是自然的扩展但没实现;边界边走 Loop 的边界中点,不学习修正。评价集中在合成山脊这类局部光滑特征上,尖锐不连续、噪声扫描数据、宽平低曲率区域都没测;门在这些地方要么饱和要么关闭,方法退回 Loop。读下来还有一点:主实验只到四层细分,虽然 h² 缩放给出外推理由,更深层级的经验验证缺位,作者自己也点名要补。